【图像超分辨率】Image super resolution based on fusing multiple convolution neural networks 阅读笔记

Paper: Image Super Resolution Based on Fusing Multiple Convolution Neural Networks

-----------------基于融合多卷积神经网络的图像超分辨率---------------------

Abstract

文章提出了一个基于多个卷积神经网络的精准的超分辨率方法，每个卷积神经网络有不同的结构，各自单独训练。
一共提出了三种融合方法：CNF、PWF和PNF。
Context-wise Network Fusion (CNF) ：上下文网络融合（可能翻译不准确），通过附加的卷积层将单个网络的输出融合。通过微调融合后的网络，与单个网络相比，准确性显着提高。
Pixel-Wise network Fusion (PWF)：像素级网络融合。
Progres- sive Network Fusion (PNF)：渐进式网络融合。

Introduction

在本文中，作者讨论了如何构建基于融合不同个体网络的超分辨率系统。

主要贡献：

1.提出了一个上下文网络融合（CNF）框架来融合多个单独的网络。
每个单独的网络都构成了从LR到SR空间的映射。 由于各个网络的输出特征图可能具有不同的特征，因此在这些特征图上额外使用了卷积层，将这些卷积层的输出求和，作为最终输出。CNF对单个网络的结构没有限制，因此可以用于融合任何类型的超分网络。

2.讨论了其他网络融合方案，包括Pixel-Wise网络融合（PWF）和渐进式网络融合（PNF）。 结果表明，提出的CNF网络明显优于其他融合方案。

Related Work

主要讲了超分辨率方法的分类和发展概况，并且介绍了SRCNN、SRGAN